研究队列构建与数据预处理
建立模型开发、外部验证和前瞻性验证队列，并统一处理临床与实验室变量。
从苏州、福州和扬州电子病历中提取治疗前临床和实验室变量；按预设纳入排除标准筛选患者；对缺失数据进行多重插补并评估共线性。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
机器学习模型预测川崎病静脉注射免疫球蛋白耐药：模型开发与验证研究
Machine learning model for intravenous immunoglobulin resistance in Kawasaki disease: model development and validation study
实验完整度
高含回顾性开发队列、两个外部验证队列及一个前瞻性验证队列，比较12种算法，并用SHAP进行特征解释和逐步特征筛选。
主要模型
苏州回顾性KD开发队列（2371例） 福州外部验证队列（443例） 扬州外部验证队列（198例） 苏州前瞻性验证队列（253例）
重点核对
IVIG耐药定义：IVIG治疗（2 g/kg）后36小时内持续或复发发热 冠状动脉病变定义：Dallaire Z评分Z ≥ 2.0 所有预测因子均在治疗前采集 苏州队列按70%训练集和30%测试集随机拆分，采用重复10折交叉验证（10折，5次重复）调参 最终模型基于最高平均AUC选择，并使用AUC、校准曲线、Brier评分和DCA评估
摘要
背景：川崎病（KD）中的静脉注射免疫球蛋白（IVIG）耐药会增加冠状动脉风险。早期预测对于改善结局至关重要。本研究旨在开发和验证一种用于预测KD患儿IVIG耐药的机器学习（ML）模型。方法：使用KD患者的回顾性队列进行模型开发，并纳入来自福州和扬州的外部验证队列以及一个前瞻性验证队列。从电子病历中提取临床和实验室变量。我们评估了12种算法，并选择性能最优的支持向量机（SVM）。使用SHapley Additive exPlanations（SHAP）值评估特征重要性，随后进行逐步特征消除。使用受试者工作特征曲线下面积（AUC）、校准曲线和决策曲线分析（DCA）评估模型性能。开发了一个基于网络的计算器。结果：回顾性开发队列共纳入2371例KD患者，福州队列443例，扬州队列198例，前瞻性验证队列253例。SVM模型在内部验证中的AUC为0.782，在福州和扬州外部验证队列中分别为0.746和0.759，在前瞻性验证中为0.799。最终模型纳入了八个预测因子，SHAP分析提供了特征贡献的全局和局部解释。该模型还表现出良好的校准，并在DCA中于临床相关阈值范围内显示出有利的净获益。结论：基于常规临床数据的SVM机器学习模型显示出预测KD中IVIG耐药的潜力，并可能支持早期风险分层。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- 能否利用常规临床和实验室数据构建机器学习模型，早期预测川崎病患儿对静脉注射免疫球蛋白的耐药风险？
- 核心机制
- 最终SVM模型纳入CALs、CRP、就诊年龄、NEU%、WBC、TC、PLT和ALB八个预测因子；CRP、NEU%、WBC和CALs与耐药风险正相关，而年龄较大及较高的TC、PLT和ALB水平为保护因素。
- 主要证据
- 在2371例回顾性开发队列中比较12种算法并筛选出SVM模型，内部验证AUC为0.782；福州和扬州外部验证AUC分别为0.746和0.759，前瞻性验证AUC为0.799，校准曲线和DCA显示良好校准及净获益。
- 研究意义
- 基于常规临床数据的SVM机器学习模型显示出预测KD患儿IVIG耐药的潜力，可能支持早期风险分层。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
12种机器学习算法开发与比较
在候选算法中筛选预测IVIG耐药性能最优的模型。
应用12种机器学习算法进行模型开发，在训练集中通过重复10折交叉验证进行训练和超参数调优，以AUC、敏感度、特异度、PPV和NPV评估性能。
SHAP特征重要性评估与逐步特征消除
识别关键预测因子并构建简约模型。
利用SHAP值量化特征贡献，按SHAP排名逐步剔除低影响特征，并进行递归特征消除和AUC比较；生成全局与局部解释并评估预测因子间交互作用。
模型校准、临床效用与网络计算器开发
评估最终模型的校准度和临床净获益，并提供个体化风险预测工具。
使用校准曲线和Brier评分评估校准，使用DCA评估临床效用；基于Shiny开发交互式网络计算器，并以约登指数确定分类阈值。
外部与前瞻性验证
评估最终SVM模型在不同中心及前瞻性队列中的泛化能力。
在福州、扬州外部队列和苏州前瞻性队列中评估AUC、校准曲线、Brier评分和DCA。
与传统评分系统及逻辑回归的比较分析
比较新模型与既有IVIG耐药评分系统及传统回归模型的预测性能。
按原始定义实现Kobayashi、Egami、Sano、Formosa和Li评分，并与SVM模型比较AUC、敏感度和特异度；同时用相同8个预测因子构建逻辑回归模型进行比较。
排除冠状动脉病变的敏感性模型构建
为无法及时进行超声心动图评估的患者提供早期风险预测。
从候选预测因子中排除CALs后，按相同流程重新构建模型，并评估SVM kernlab、LASSO和GLMnet等算法的性能及验证表现。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据分析与统计 | R软件 | -- | v4.4.2 |
| SPSS统计软件 | IBM Corp. | v25.0 | |
| 网络计算器开发 | Shiny交互式网络应用框架 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 研究队列构建 | 各中心纳入排除标准、KD诊断标准（AHA标准）及患者来源 阅读提示：Methods的Study cohort and data processing小节、Fig. 1流程图及Supplementary Methods |
| 结局定义 | IVIG耐药定义（2 g/kg IVIG后36小时内持续或复发发热）及CALs定义（Dallaire Z评分Z ≥ 2.0） 阅读提示：Methods的Study cohort and data processing小节 |
| 数据预处理 | 训练集/测试集拆分比例（70%/30%）、缺失值多重插补方法、缺失率>50%变量排除标准、共线性评估方式 阅读提示：Methods的Study cohort and data processing小节及Supplementary Table 1 |
| 模型开发与验证 | 12种算法清单、重复10折交叉验证设置（10折、5次重复）、模型选择依据（最高平均AUC）、外部和前瞻性验证队列构成 阅读提示：Methods的Model development and validation小节及Supplementary Table 2 |
| 特征筛选与解释 | SHAP特征排名、逐步消除策略、最终8个预测因子及交互作用分析方法 阅读提示：Methods的Feature selection, interpretation, and clinical utility小节、Fig. 2b及Supplementary Fig. 2–3 |
| 比较与敏感性分析 | 既有评分系统的原始定义、排除CALs后模型重建流程及比较所用统计检验 阅读提示：Methods的Comparative and sensitivity analyses小节及Supplementary Table 6–8 |